O Instituto de Ciências Noéticas apoiou esta pesquisa. Agradecemos aos desenvolvedores dos algoritmos originais de código aberto que foram adaptados para desenvolver alguns dos algoritmos do BrainBeats.

Revelando a interação cérebro-coração com EEG e sinais cardiovasculares

Os autores não têm nada a divulgar.

Etapas críticas no protocolo As etapas críticas são descritas nas etapas 1.1-1.4. Avisos e mensagens de erro são implementados em vários locais da caixa de ferramentas para ajudar os usuários a entender por que podem encontrar problemas (por exemplo, locais de eletrodos não carregados nos dados de EEG, comprimento do arquivo muito curto para calcular uma medida confiável de VFC de frequência ultrabaixa, qualidade do sinal muito baixa para qualquer análise confiável, etc.). Cada função é ...

Por muito tempo, a abordagem reducionista dominou a investigação científica em fisiologia e cognição humanas. Essa abordagem envolveu a dissecação de processos corporais e mentais complexos em componentes menores e mais gerenciáveis, permitindo que os pesquisadores se concentrassem em sistemas individuais isoladamente. Essa estratégia surgiu devido aos desafios em estudar a natureza intrincada e interconectada do corpo e da mente humanos1. O reducionismo tem sido fundamental para a compreensão de subsistemas individuais isoladamente, como elucidar o papel dos canais iônicos e potenciais de ação para a comunicação neural2 ou cardíaca3 . No entanto, uma lacuna significativa permanece em nossa compreensão de como esses sistemas isolados interagem em uma escala espacial e temporal maior. A estrutura multimodal (integrativa ou ecológica) considera o corpo humano um sistema multidimensional complexo, onde a mente é vista não como um produto do cérebro, mas como uma atividade do ser vivo, uma atividade que integra o cérebro nas funções cotidianas do corpo humano4. As abordagens multimodais e reducionistas não são exclusivas, assim como não podemos estudar um neurônio sem todo o cérebro ou todo o cérebro sem entender as propriedades individuais dos neurônios. Juntos, eles abrem caminho para uma compreensão mais abrangente e sinérgica da saúde humana, patologia, cognição, psicologia e consciência. O presente método visa facilitar a investigação multimodal da interação entre o cérebro e o coração, fornecendo análise conjunta de eletroencefalografia (EEG) e sinais cardiovasculares, ou seja, eletrocardiografia (ECG) e fotopletismografia (PPG). Esta caixa de ferramentas, implementada como um plugin EEGLAB no MATLAB, aborda as limitações metodológicas existentes e é feita de código aberto para facilitar a acessibilidade e reprodutibilidade na área científica. Ele implementa as diretrizes e recomendações mais recentes em seu design e parâmetros padrão para incentivar os usuários a seguir as práticas recomendadas conhecidas. A caixa de ferramentas proposta deve ser um recurso valioso para pesquisadores e médicos interessados em 1) estudar potenciais evocados por batimentos cardíacos, 2) extrair características de sinais de EEG e ECG / PPG ou 3) remover artefatos cardíacos de sinais de EEG.
Pesquisa coração-cérebro A relação entre o coração e o cérebro tem sido historicamente estudada por meio de métodos de neuroimagem, como ressonância magnética funcional (fMRI) e tomografia por emissão de pósitrons (PET). Usando essas ferramentas, os pesquisadores destacaram algumas regiões cerebrais associadas ao controle cardiovascular (por exemplo, manipulação da frequência cardíaca e da pressão arterial5), mostraram a influência da frequência cardíaca no sinal BOLD6 ou identificaram possíveis vias cérebro-corpo que contribuem para a doença cardíaca coronária (ou seja, pressão arterial evocada por estresse7). Embora esses estudos tenham avançado significativamente nossa compreensão da complexa interação entre o sistema nervoso central (SNC) e a função cardiovascular, essas técnicas de neuroimagem são caras, têm disponibilidade limitada e estão confinadas a ambientes laboratoriais controlados, o que restringe sua praticidade para aplicações no mundo real e em larga escala.
Em contraste, EEG e ECG / PPG são ferramentas mais acessíveis e portáteis que oferecem o potencial para estudar as interações cérebro-coração em ambientes e populações mais diversos ou por períodos mais longos, proporcionando novas oportunidades. O ECG mede os sinais elétricos gerados por cada batimento cardíaco quando o coração se contrai e relaxa por meio de eletrodos colocados na pele (geralmente no tórax ou nos braços)8. O PPG mede as alterações do volume sanguíneo nos tecidos microvasculares (ou seja, fluxo sanguíneo e pulsação) usando uma fonte de luz (por exemplo, LED) e um fotodetector (comumente colocado na ponta do dedo, pulso ou testa), dependendo de como o sangue absorve mais luz do que o tecido circundante9. Ambos os métodos fornecem informações valiosas sobre a função cardiovascular, mas servem a propósitos diferentes e oferecem tipos de dados distintos. Assim como o ECG, o EEG registra os campos elétricos gerados pela atividade sincronizada de milhares de neurônios corticais que se propagam pela matriz extracelular, tecidos, crânio e couro cabeludo até atingirem os eletrodos colocados na superfície do couro cabeludo10. Como tal, o uso de EEG e ECG / PPG é uma grande promessa para avançar nossa compreensão dos processos fisiológicos, cognitivos e emocionais subjacentes às interações cérebro-coração e suas implicações para a saúde e o bem-estar humanos. Portanto, capturar a interação coração-cérebro a partir de sinais de EEG, ECG / PPG com a caixa de ferramentas BrainBeats pode ser particularmente útil para as seguintes áreas científicas: diagnóstico clínico e previsão, aprendizado de máquina de big data (ML), automonitoramento do mundo real11 e imagens móveis do cérebro / corpo (MoBI) 12 , 13 .
Duas abordagens para analisar conjuntamente sinais de EEG e ECG Existem duas abordagens principais para estudar as interações entre EEG e sinais cardiovasculares:
Os potenciais evocados por batimentos cardíacos (HEP) no domínio do tempo: potenciais relacionados a eventos (ERP) e as oscilações evocadas por batimentos cardíacos (HEO) no domínio da frequência de tempo: perturbações espectrais relacionadas a eventos (ERSP) e coerência entre tentativas (ITC). Essa abordagem examina como o cérebro processa cada batimento cardíaco. Com precisão de milissegundos (ms), esse método requer que ambas as séries temporais estejam perfeitamente sincronizadas e que os batimentos cardíacos sejam marcados nos sinais de EEG. Essa abordagem ganhou interesse nos últimos anos 14,15,16,17,18,19.
Abordagem baseada em recursos: esta abordagem extrai características de EEG e variabilidade da frequência cardíaca (VFC) de sinais contínuos e examina associações entre eles. Isso foi feito independentemente para EEG (muitas vezes denominado EEG quantitativo ou qEEG20), ECG 21,22,23 e PPG 24,25,26. Essa abordagem apresenta aplicações promissoras ao capturar variáveis relacionadas ao estado e às características. Ressalta-se que, tanto para o EEG quanto para os sinais cardiovasculares, quanto maior o registro, mais dominante é a variável traço 27,28,29. Assim, as aplicações dependem dos parâmetros de gravação. As análises baseadas em recursos estão ganhando interesse crescente, fornecendo novas métricas quantitativas para prever o desenvolvimento de transtornos mentais e neurológicos, resposta ao tratamento ou recaída 30,31,32,33,34,35. Essa abordagem é especialmente atraente com conjuntos de dados grandes e do mundo real (por exemplo, clínica, monitoramento remoto), que podem ser obtidos mais facilmente graças às recentes inovações em neurotecnologia vestível11. Uma aplicação menos explorada é a identificação de associações entre características específicas do cérebro e do coração, destacando a dinâmica subjacente do sistema nervoso central. A variabilidade da frequência cardíaca (VFC) pode ser calculada a partir de sinais de ECG e PPG. Ele fornece informações sobre o sistema nervoso autônomo (SNA) medindo as variações nos intervalos de tempo entre os batimentos cardíacos (ou seja, os intervalos normais a normais)27. O aumento da atividade simpática (SNS) (por exemplo, durante o estresse ou exercício) normalmente reduz a VFC, enquanto a atividade parassimpática (PNS) (por exemplo, durante o relaxamento) a aumenta. Uma frequência respiratória mais lenta geralmente aumenta a VFC devido à atividade aprimorada do SNP, especialmente para gravações curtas (<10 min)27. Pontuações mais altas de VFC geralmente sugerem um SNA mais resiliente e adaptável, enquanto uma VFC mais baixa pode indicar estresse, fadiga ou problemas de saúde subjacentes. Registros longos de VFC (ou seja, pelo menos 24 h) fornecem um prognóstico preditivo para várias condições de saúde, incluindo doenças cardiovasculares, estresse, ansiedade e algumas condições neurológicas27. Medidas como pressão arterial, frequência cardíaca ou níveis de colesterol fornecem informações sobre o estado do sistema cardiovascular. Em contraste, a VFC adiciona um aspecto dinâmico, mostrando como o coração responde e se recupera do estresse.
Vantagens do BrainBeats sobre os métodos existentes Embora existam ferramentas, conforme revisado abaixo, para processar sinais cardiovasculares e de EEG independentemente um do outro, eles não podem ser analisados em conjunto. Além disso, a maioria dos meios disponíveis para processar sinais cardiovasculares envolve licenciamento caro, não permite processamento automatizado (especialmente benéfico para grandes conjuntos de dados), possui algoritmos proprietários que impedem a transparência e a reprodutibilidade ou requer habilidades avançadas de programação por não fornecer uma interface gráfica do usuário (GUI)36. Até onde sabemos, quatro caixas de ferramentas MATLAB de código aberto suportam análise HEP/HEO com uma GUI: a caixa de ferramentas ecg-kit37, o pipeline BeMoBIL38, o plug-in HEPLAB EEGLAB39 e a caixa de ferramentas CARE-rCortex40. Embora o HEPLAB, o BeMoBIL e o kit de ecg facilitem a análise HEP detectando batimentos cardíacos e marcando-os nos sinais de EEG, eles não fornecem análise estatística ou estão limitados ao domínio do tempo (ou seja, HEP). O plug-in CARE-rCortex abordou esses problemas suportando ECG e sinais respiratórios, análise no domínio da frequência de tempo, estatísticas e métodos avançados de normalização e correção de linha de base adaptados à análise HEP/HEO. No entanto, utiliza o método de Bonferroni para correção estatística do erro tipo 1 (ou seja, falsos positivos), que é muito conservador e não fisiologicamente sólido para aplicações de EEG, levando a um aumento nos erros do tipo II (ou seja, falsos negativos)41. Além disso, a caixa de ferramentas não oferece acesso à linha de comando para automação. Por fim, estudos recentes não recomendam métodos de correção basal 42,43,44, pois reduzem a relação sinal-ruído (RSR) e são estatisticamente desnecessários e indesejáveis.
Para resolver essas limitações, apresentamos a caixa de ferramentas BrainBeats, atualmente implementada como um plugin EEGLAB de código aberto no ambiente MATLAB. Ele incorpora as seguintes vantagens em relação aos métodos anteriores:
1) Uma GUI fácil de usar e recursos de linha de comando (para programadores que desejam realizar processamento automatizado). 2) Algoritmos, parâmetros e diretrizes validados para o processamento de sinais cardiovasculares, como detecção de picos de R, interpolação de artefatos de RR e cálculo de métricas de VFC (por exemplo, implantação de diretrizes para janelas, reamostragem, normalização, etc.27,45,46). Isso é importante porque Vest et al. demonstraram como diferenças modestas nessas etapas de processamento podem levar a resultados divergentes, contribuindo para a falta de reprodutibilidade e aplicabilidade clínica das métricas de VFC46. 3) Algoritmos validados, parâmetros padrão e diretrizes para processamento de sinais de EEG, incluindo filtragem e janelamento44,47, re-referenciamento48,49, remoção de canais e artefatos anormais 50,51,52, decomposição otimizada de ICA e classificação de componentes independentes 53,54,55,56. Os usuários podem ajustar todos os parâmetros de pré-processamento ou até mesmo pré-processar seus dados de EEG com seu método preferido antes de usar a caixa de ferramentas para atender às suas necessidades (por exemplo, com o plug-in EEGLAB clean_rawdata50,52, o pipeline BeMoBIL38, o pipeline PREP57, etc.). 4) Potenciais evocados por batimentos cardíacos (HEP, ou seja, domínio do tempo) e oscilações (HEO; perturbações espectrais relacionadas a eventos com métodos wavelet ou FFT e coerência entre tentativas estão disponíveis através do software EEGLAB padrão) a partir de sinais de ECG. Estatísticas paramétricas e não paramétricas com correções para erros do tipo 1 estão disponíveis por meio do software padrão da EEGLAB. As estatísticas não paramétricas incluem estatísticas de permutação e correções espaço-temporais para comparações múltiplas (por exemplo, agrupamento espaço-temporal ou aprimoramento de agrupamento livre de limiar) 58 , 59 . Os usuários podem usar o plug-in LIMO-EEG para implementar modelagem linear hierárquica, que leva em conta bem a variância dentro e entre os sujeitos e implementa uma abordagem univariada em massa livre de suposições com controle robusto para erros tipo I e II60,61. As análises estatísticas dos dados HEP/HEO podem ser realizadas nos domínios do canal e do componente independente. 5) Análise HEP/HEO e HRV a partir de sinais PPG (pela primeira vez para HEP/HEO). 6) Suporta a extração conjunta de recursos de EEG e HRV pela primeira vez. 7) A caixa de ferramentas fornece várias visualizações de dados para inspecionar sinais em várias etapas de processamento necessárias e saídas no nível do assunto.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody><tr><td>Método</td>
			<td>Detectar picos R do ECG</td>
			<td>Detectar ondas R de PPG</td>
			<td>HEP/HEO</td>
			<td>Características do EEG e da VFC</td>
			<td>Remova artefatos cardíacos do EEG</td>
			<td>GUI</td>
			<td>Linha de comando</td>
		</tr><tr><td>kit de ecg</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
			<td></td>
			<td></td>
			<td></td>
			<td>X</td>
		</tr><tr><td>Bônus</td>
			<td>X</td>
			<td></td>
			<td>X</td>
			<td></td>
			<td></td>
			<td></td>
			<td>X</td>
		</tr><tr><td>HEPLAB</td>
			<td>X</td>
			<td></td>
			<td>X</td>
			<td></td>
			<td></td>
			<td>X</td>
			<td>X</td>
		</tr><tr><td>CARE-rCortex</td>
			<td>X</td>
			<td></td>
			<td>X</td>
			<td></td>
			<td></td>
			<td>X</td>
			<td>X</td>
		</tr><tr><td>Batidas cerebrais</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
		</tr></tbody></table>TABELA 1: Novidades trazidas pelo BrainBeats em relação a métodos semelhantes pré-existentes.
Informações para ajudar os leitores a decidir se o método é apropriado para eles Esta caixa de ferramentas é apropriada para qualquer pesquisador ou clínico com dados de EEG e ECG/PPG. O plug-in ainda não suporta a importação de sinais de EEG e ECG/PPG de arquivos separados (embora esse recurso esteja disponível em breve). A caixa de ferramentas é apropriada para qualquer pessoa que pretenda realizar análises HEP/HEO, extrair características de EEG e/ou VFC com métodos padronizados ou simplesmente remover artefatos cardíacos dos sinais de EEG. Consulte a Figura 1 para obter um diagrama de blocos resumindo o fluxo e os métodos gerais do BrainBeats.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65829/65829fig01.jpg"> FIGURA 1. Diagrama de blocos resumindo a arquitetura e o fluxo geral do BrainBeats. As operações comuns entre os três métodos são marrons. As operações específicas para potenciais evocados por batimentos cardíacos (HEP) e oscilações (HEO) são verdes. As operações específicas para a extração de características de EEG e VFC são azuis. As operações específicas para remover artefatos cardíacos dos sinais de EEG são vermelhas. <a href="https://www.jove.com/files/ftp_upload/65829/65829fig01large.jpg" target="_blank">Clique aqui para ver uma versão maior desta figura.</a>

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>EEGLAB</td>
			<td>Swartz Center for Computational Neuroscience (SCCN)</td>
			<td></td>
			<td>Free/Open-source</td>
		</tr>
		<tr>
			<td>MATLAB</td>
			<td>The Mathworks, Inc.</td>
			<td></td>
			<td>Requires a license</td>
		</tr>
		<tr>
			<td>Windows PC</td>
			<td>Lenovo, Inc.</td>
			<td></td>
			<td></td>
		</tr>
	</tbody>
</table>

brainbeats as an open-source eeglab plugin to jointly analyze eeg and cardiovascular signals

A interação entre o cérebro e os sistemas cardiovasculares está atraindo cada vez mais atenção por seu potencial de avançar nossa compreensão da fisiologia humana e melhorar os resultados de saúde. No entanto, a análise multimodal desses sinais é desafiadora devido à falta de diretrizes, processamento de sinais padronizado e ferramentas estatísticas, interfaces gráficas de usuário (GUIs) e automação para processar grandes conjuntos de dados ou aumentar a reprodutibilidade. Existe uma lacuna adicional nos métodos padronizados de extração de recursos de EEG e variabilidade da frequência cardíaca (VFC), prejudicando o diagnóstico clínico ou a robustez dos modelos de aprendizado de máquina (ML). Em resposta a essas limitações, apresentamos a caixa de ferramentas BrainBeats. Implementado como um plug-in EEGLAB de código aberto, o BrainBeats integra três protocolos principais: 1) Potenciais evocados por batimentos cardíacos (HEP) e oscilações (HEO) para avaliar a interação cérebro-coração bloqueada no tempo com precisão de milissegundos; 2) Extração de recursos de EEG e VFC para examinar associações/diferenças entre várias métricas cerebrais e cardíacas ou para construir modelos robustos de ML baseados em recursos; 3) Extração automatizada de artefatos cardíacos de sinais de EEG para remover qualquer contaminação cardiovascular potencial durante a realização de análises de EEG. Fornecemos um tutorial passo a passo para aplicar esses três métodos a um conjunto de dados de código aberto contendo sinais simultâneos de EEG, ECG e PPG de 64 canais. Os usuários podem ajustar facilmente os parâmetros para adaptar suas necessidades exclusivas de pesquisa usando a interface gráfica do usuário (GUI) ou a linha de comando. O BrainBeats deve tornar a pesquisa de interação cérebro-coração mais acessível e reprodutível.

For a long time, the reductionist approach has dominated scientific inquiry in human physiology and cognition. This approach involved dissecting complex bodily and mental processes into smaller, more manageable components, allowing researchers to focus on individual systems in isolation. This strategy arose due to the challenges in studying the intricate and interconnected nature of the human body and mind1. Reductionism has been instrumental in understanding individual subsystems in isolation, such as elucidating the role of ion channels and action potentials for neural2 or cardiac3 communication. However, a significant gap remains in our understanding of how these isolated systems interact on a larger spatial and temporal scale. The multimodal (integrative or ecological) framework considers the human body a complex multidimensional system, where the mind is seen not as a product of the brain but as an activity of the living being, an activity that integrates the brain within the everyday functions of the human body4. The multimodal and reductionist approaches are not exclusive, just like we cannot study one neuron without the whole brain or the whole brain without understanding individual neuron properties. Together, they pave the way for a more comprehensive, synergetic understanding of human health, pathology, cognition, psychology, and consciousness. The present method aims to ease the multimodal investigation of the interplay between the brain and the heart by providing joint analysis of electroencephalography (EEG) and cardiovascular signals, namely electrocardiography (ECG) and photoplethysmography (PPG). This toolbox, implemented as an EEGLAB plugin in MATLAB, addresses existing methodological limitations and is made open source to facilitate accessibility and reproducibility in the scientific area. It implements the latest guidelines and recommendations into its design and default parameters to encourage users to follow known best practices. The proposed toolbox should be a valuable resource for researchers and clinicians interested in 1) studying&#160;heartbeat-evoked potentials&#160;, 2) extracting features from EEG and ECG/PPG signals, or 3) removing heart artifacts from EEG signals.
Heart-brain research 
The relationship between the heart and the brain has been historically studied via neuroimaging methods such as functional magnetic resonance imaging (fMRI) and positron emission tomography (PET). Using these tools, researchers highlighted some brain regions associated with cardiovascular control (e.g., manipulation of heart rate and blood pressure5), showed the influence of heart rate on the BOLD signal6, or identified potential brain-body pathways contributing to coronary heart disease (i.e., stress-evoked blood pressure7). While these studies have significantly advanced our understanding of the complex interplay between the central nervous system (CNS) and cardiovascular function, these neuroimaging techniques are expensive, have limited availability, and are confined to controlled laboratory settings, which restricts their practicality for real-world and large-scale applications.
In contrast, EEG and ECG/PPG are more affordable and portable tools that offer the potential for studying brain-heart interactions in more diverse settings and populations or over longer periods, providing new opportunities. ECG measures the electrical signals generated by each heartbeat when the heart contracts and relaxes via electrodes placed on the skin (usually on the chest or arms)8. PPG measures blood volume changes in the microvascular tissues (i.e., blood flow and pulse rate) using a light source (e.g., LED) and a photodetector (commonly placed on a fingertip, wrist, or forehead), relying on how blood absorbs more light than the surrounding tissue9. Both methods provide valuable information about cardiovascular function but serve different purposes and offer distinct data types. Like ECG, EEG records the electrical fields generated by the synchronized activity of thousands of cortical neurons that propagate through the extracellular matrix, tissues, skull, and scalp until they reach the electrodes placed on the scalp&#39;s surface10. As such, the use of EEG and ECG/PPG holds great promise for advancing our understanding of the physiological, cognitive, and emotional processes underlying brain-heart interactions and their implications for human health and well-being. Therefore, capturing heart-brain interplay from EEG, ECG/PPG signals with the BrainBeats toolbox may be particularly useful for the following scientific areas: clinical diagnostic and forecasting, big data machine learning (ML), real-world self-monitoring11, and mobile brain/body imaging (MoBI)12,13.
Two approaches for jointly analyzing EEG and ECG signals 
There are two main approaches to studying interactions between EEG and cardiovascular signals:
The heartbeat-evoked potentials (HEP) in the time domain: event-related potentials (ERP), and the heartbeat-evoked oscillations (HEO) in the time-frequency domain: event-related spectral perturbations (ERSP) and inter-trial coherence (ITC). This approach examines how the brain processes each heartbeat. With millisecond (ms) accuracy, this method requires that both time series are perfectly synchronized and the heartbeats to be marked in the EEG signals. This approach has gained interest in recent years14,15,16,17,18,19.
Feature-based approach: this approach extracts EEG and heart-rate variability (HRV) features from continuous signals and examines associations between them. This has been done independently for EEG (often termed quantitative EEG or qEEG20), ECG21,22,23, and PPG24,25,26. This approach presents promising applications by capturing both state- and trait-related variables. Note that, for both EEG and cardiovascular signals, the longer the recording, the more dominant the trait variable27,28,29. Thus, the applications depend on the recording parameters. Feature-based analyses are gaining growing interest, providing new quantitative metrics for forecasting the development of mental and neurological disorders, treatment-response, or relapse30,31,32,33,34,35. This approach is especially compelling with large and real-world datasets (e.g., clinic, remote monitoring), which can be more easily obtained thanks to the recent innovations in wearable neurotechnology11. A less explored application is the identification of associations between specific brain and heart features, highlighting potential underlying central nervous system dynamics. Heart rate variability (HRV) can be calculated from both ECG and PPG signals. It provides information about the autonomous nervous system (ANS) by measuring the variations in time intervals between heartbeats (i.e., the normal-to-normal intervals)27. Increased sympathetic (SNS) activity (e.g., during stress or exercise) typically reduces HRV, while parasympathetic (PNS) activity (e.g., during relaxation) increases it. A slower breathing rate generally increases HRV due to enhanced PNS activity, especially for short recordings (&#60;10 min)27. Higher HRV scores generally suggest a more resilient and adaptable ANS, while a lower HRV can indicate stress, fatigue, or underlying health issues. Long HRV recordings (i.e., at least 24 h) provide a predictive prognosis for various health conditions, including cardiovascular diseases, stress, anxiety, and some neurological conditions27. Measures like blood pressure, heart rate, or cholesterol levels give information about the cardiovascular system&#39;s status. In contrast, HRV adds a dynamic aspect, showing how the heart responds to and recovers from stress.
BrainBeats&#39; advantages over existing methods 
While tools exist, as reviewed below, to process cardiovascular and EEG signals independently from each other, they cannot be jointly analyzed. Furthermore, most available means to process cardiovascular signals involve costly licensing, do not allow automated processing (especially beneficial for large datasets), have proprietary algorithms that prevent transparency and reproducibility, or require advanced programming skills by not providing a graphical user interface (GUI)36. To our knowledge, four open-source MATLAB toolboxes support HEP/HEO analysis with a GUI: the ecg-kit toolbox37, the BeMoBIL pipeline38, the HEPLAB EEGLAB plugin39, and the CARE-rCortex toolbox40. While HEPLAB, BeMoBIL, and ecg-kit facilitate HEP analysis by detecting heartbeats and marking them in the EEG signals, they do not provide statistical analysis or are limited to the time domain (i.e., HEP). The CARE-rCortex plugin addressed these issues by supporting ECG and respiratory signals, time-frequency domain analysis, statistics, and advanced baseline normalization and correction methods adapted to HEP/HEO analysis. However, it uses the Bonferroni method for statistical correction of the type 1 error (i.e., false positives), which is too conservative and not physiologically sound for EEG applications, leading to an increase in type II errors (i.e., false negatives)41. Furthermore, the toolbox does not offer command-line access for automation. Finally, recent studies recommend against baseline correction methods42,43,44, as they reduce the signal-to-noise ratio (SNR) and are statistically unnecessary and undesirable.
To address these limitations, we introduce the BrainBeats toolbox, currently implemented as an open-source EEGLAB plugin in the MATLAB environment. It incorporates the following advantages over previous methods:
1) An easy-to-use GUI and command-line capabilities (for programmers aiming to perform automated processing). 2) Validated algorithms, parameters, and guidelines for processing cardiovascular signals, such as detecting R peaks, interpolating RR artifacts, and computing HRV metrics (e.g., implanting guidelines for windowing, resampling, normalization, etc.27,45,46). This is important because Vest et al. demonstrated how modest differences in these processing steps can lead to divergent results, contributing to the lack of reproducibility and clinical applicability of HRV metrics46. 3) Validated algorithms, default parameters, and guidelines for processing EEG signals, including filtering and windowing44,47, re-referencing48,49, removal of abnormal channels and artifacts50,51,52, optimized ICA decomposition and classification of independent components53,54,55,56. The users can fine-tune all preprocessing parameters or even preprocess their EEG data with their preferred method before using the toolbox to match their needs (e.g., with EEGLAB clean_rawdata plugin50,52, the BeMoBIL pipeline38, the PREP pipeline57, etc.). 4) Heartbeat-evoked potentials (HEP, i.e., time domain) and oscillations (HEO; event-related spectral perturbations with wavelet or FFT methods, and inter-trial coherence are available through the standard EEGLAB software) from ECG signals. Parametric and nonparametric statistics with corrections for type 1 errors are available via EEGLAB&#39;s standard software. Nonparametric statistics include permutation statistics and spatiotemporal corrections for multiple comparisons (e.g., spatiotemporal clustering or threshold-free cluster enhancement)58,59. Users can use the LIMO-EEG plugin to implement hierarchical linear modeling, which accounts well for within and between-subjects variance and implements an assumption-free mass-univariate approach with robust control for type I and II errors60,61. The HEP/HEO data statistical analyses can be performed in the channel and independent component domains. 5) HEP/HEO and HRV analysis from PPG signals (for the first time for HEP/HEO). 6) Supports the joint extraction of EEG and HRV features for the first time. 7) The toolbox provides various data visualizations to inspect signals at various necessary processing steps and outputs at the subject level.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>Method</td>
			<td>Detect R-peaks from ECG</td>
			<td>Detect R-waves from PPG</td>
			<td>HEP/HEO</td>
			<td>EEG &#38; HRV features</td>
			<td>Remove heart artifacts from EEG</td>
			<td>GUI</td>
			<td>Command line</td>
		</tr>
		<tr>
			<td>ecg-kit</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
			<td></td>
			<td></td>
			<td></td>
			<td>X</td>
		</tr>
		<tr>
			<td>BeMoBIL</td>
			<td>X</td>
			<td></td>
			<td>X</td>
			<td></td>
			<td></td>
			<td></td>
			<td>X</td>
		</tr>
		<tr>
			<td>HEPLAB</td>
			<td>X</td>
			<td></td>
			<td>X</td>
			<td></td>
			<td></td>
			<td>X</td>
			<td>X</td>
		</tr>
		<tr>
			<td>CARE-rCortex</td>
			<td>X</td>
			<td></td>
			<td>X</td>
			<td></td>
			<td></td>
			<td>X</td>
			<td>X</td>
		</tr>
		<tr>
			<td>BrainBeats</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
			<td>X</td>
		</tr>
	</tbody>
</table>
TABLE 1:&#160;Novelties brought by BrainBeats relative to pre-existing, similar methods.
Information to help readers decide whether the method is appropriate for them 
This toolbox is appropriate for any researcher or clinician with EEG and ECG/PPG data. The plugin does not yet support importing EEG and ECG/PPG signals from separate files (although this feature will be available soon). The toolbox is appropriate for anyone aiming to perform HEP/HEO analysis, extract EEG and/or HRV features with standardized methods, or simply remove heart artifacts from EEG signals. See Figure 1 for a block diagram summarizing BrainBeats&#39; overall flow and methods.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65829/65829fig01.jpg" /> 
FIGURE 1.&#160;Block diagram summarizing BrainBeats&#39; overall architecture and flow.&#160;The operations that are common across the three methods are brown. Operations specific to heartbeat-evoked potentials (HEP) and oscillations (HEO) are green. Operations specific to the extraction of EEG and HRV features are blue. Operations specific to removing heart artifacts from the EEG signals are red. <a href="https://www.jove.com/files/ftp_upload/65829/65829fig01large.jpg" target="_blank">Please click here to view a larger version of this figure.</a>

Autor em destaque: Avançando no estudo da interação cérebro-coração com um plug-in EEGLAB abrangente para análise de sinal multimodal

BrainBeats como um plug-in EEGLAB de código aberto para analisar conjuntamente sinais cardiovasculares e de EEG

Primeiro, o plug-in BrainBeats foi usado para pré-processar dados de EEG e ECG, identificar e remover artefatos e analisar potenciais evocados por batimentos cardíacos (HEP) e oscilações (HEO). O BrainBeats detectou com sucesso os intervalos RR do sinal de ECG e alguns artefatos RR (Figura 2). O BrainBeats também relatou na janela de comando que 11/305 (3,61%) dos batimentos cardíacos foram sinalizados como artefatos e interpolados. O índice médio de qualidade do sinal (SQI) dos inte...

Read this Scientific Article Protocol about BrainBeats as an Open-Source EEGLAB Plugin to Jointly Analyze EEG and Cardiovascular Signals at JoVE.com

A caixa de ferramentas BrainBeats é um plug-in EEGLAB de código aberto projetado para analisar em conjunto sinais de EEG e cardiovasculares (ECG/PPG). Inclui avaliação de potenciais evocados por batimentos cardíacos (HEP), análise baseada em recursos e extração de artefatos cardíacos de sinais de EEG. O protocolo ajudará a estudar a interação cérebro-coração através de duas lentes (HEP e recursos), aumentando a reprodutibilidade e acessibilidade.

The interplay between the brain and the cardiovascular systems is garnering increased attention for its potential to advance our understanding of human ...

O escopo da caixa de ferramentas BrainBeats é fornecer uma ferramenta automatizada e de código aberto para a realização de pesquisas sobre a interação cérebro-coração. Ele permite que os pesquisadores realizem análises multimodais de EEG e sinais cardiovasculares por meio de processamento de sinal padronizado, extração de recursos, interface gráfica do usuário e visualização de dados. Como resultado da abordagem reducionista histórica na ciência, o cérebro e os sistemas cardíacos foram separados e isolados, levando a uma compreensão limitada de sua interação e influência mútua.A caixa de ferramentas BrainBeats visa preencher essa lacuna. Compreender a interação entre o cérebro e o coração permite que os pesquisadores obtenham insights mais profundos sobre como os estados cognitivos e emocionais influenciam a função cardiovascular e vice-versa. Por sua vez, esses insights podem levar a novas intervenções e tratamentos terapêuticos.

brainbeats-as-an-open-source-eeglab-plugin-to-jointly-analyze-eeg

Research

JoVE Journal

Neuroscience

BrainBeats as an Open-Source EEGLAB Plugin to Jointly Analyze EEG and Cardiovascular Signals

1.2K visualizações.  Toulouse III University. O escopo da caixa de ferramentas BrainBeats é fornecer uma ferramenta automatizada e de código aberto para a realização de pesquisas sobre a interação cérebro-coração. Ele permite que os pesquisadores realizem análises multimodais de EEG e sinais cardiovasculares por meio de processamento de sinal padronizado, extração de recursos, interface gráfica do usuário e visualização de dados. Como resultado da abordagem reducionista histórica na ciência, o cérebro e os sistemas car...

Vídeo: Autor em destaque: Avançando no estudo da interação cérebro-coração com um plug-in EEGLAB abrangente para análise de sinal multimodal

The interplay between the brain and the cardiovascular systems is garnering increased attention for its potential to advance our understanding of human physiology and improve health outcomes. However, the multimodal analysis of these signals is challenging due to the lack of guidelines, standardized signal processing and statistical tools, graphical user interfaces (GUIs), and automation for processing large datasets or increasing reproducibility. A further void exists in standardized EEG and heart-rate variability (HRV) feature extraction methods, undermining clinical diagnostics or the robustness of machine learning (ML) models. In response to these limitations, we introduce the BrainBeats toolbox. Implemented as an open-source EEGLAB plugin, BrainBeats integrates three main protocols: 1) Heartbeat-evoked potentials (HEP) and oscillations (HEO) for assessing time-locked brain-heart interplay at the millisecond accuracy; 2) EEG and HRV feature extraction for examining associations/differences between various brain and heart metrics or for building robust feature-based ML models; 3) Automated extraction of heart artifacts from EEG signals to remove any potential cardiovascular contamination while conducting EEG analysis. We provide a step-by-step tutorial for applying these three methods to an open-source dataset containing simultaneous 64-channel EEG, ECG, and PPG signals. Users can easily fine-tune parameters to tailor their unique research needs using the graphical user interface (GUI) or the command line. BrainBeats should make brain-heart interplay research more accessible and reproducible.

The BrainBeats toolbox is an open-source EEGLAB plugin designed to jointly analyze EEG and cardiovascular (ECG/PPG) signals. It includes heartbeat-evoked potentials (HEP) assessment, feature-based analysis, and heart artifact extraction from EEG signals. The protocol will aid in studying brain-heart interplay through two lenses (HEP and features), enhancing reproducibility and accessibility.